CN110211687A - 一种基于人工智能原发性肝癌治疗方案的决策方法 - Google Patents
一种基于人工智能原发性肝癌治疗方案的决策方法 Download PDFInfo
- Publication number
- CN110211687A CN110211687A CN201910523815.0A CN201910523815A CN110211687A CN 110211687 A CN110211687 A CN 110211687A CN 201910523815 A CN201910523815 A CN 201910523815A CN 110211687 A CN110211687 A CN 110211687A
- Authority
- CN
- China
- Prior art keywords
- liver cancer
- hepatitis
- decision
- feature
- artificial intelligence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于人工智能原发性肝癌治疗方案的决策方法，基于人工智能分类技术，利用了计算机强大的运算能力，通过数据处理肝癌患者病例特征，基于梯度提升树方法自动总结不同肝癌患者生理指标的细微差别特点，进而构建基于不同病例治疗方案的分类模型，再通过医学中的明确诊断指征，对最后的结果进行矫正。最后通过软件封装的方式，或者网页的形式将客户端提供给客户使用，使用者上传新的病例即可返回针对此病例的肝癌治疗方案决策结果。本发明针对不同治疗方案的中原发性肝癌患者，本发明分类精度高，分类精度达到88%；本发明可以以客户端软件的型式搭载于电脑或者智能手机上，可以推广给普通民众大面积使用。
Description
技术领域
本发明属于医疗方法技术领域，特别是涉及一种基于人工智能原发性肝癌治疗方案的决策方法。
背景技术
原发性肝癌是我国第四位的常见恶性肿瘤，每年约有 38.3 万人死于肝癌，超过全球肝癌死亡病例数的一半目前肝癌的治疗方法包括手术切除、肝移植、局部消融、介入治疗、放疗、靶向治疗、免疫生物治疗等。我国肝癌在发病原因，分子生物学特征和流行病学特点，临床表现与分期，甚至治疗的策略与手段上，都与国外不同，是具有“中国特色”的肿瘤之一。
在肝癌的治疗手段上，有相关的治疗指南的指导，但在实际的临床决策中，由于医疗设施，医生个人经验，病情隐密性，患者个人意愿等因素的综合影响，不同的医生可能会对同一个病人制定不同的治疗方案，从而影响患者的预后。因此，一个关于肝癌治疗方案的临床辅助决策系统开发是十分有必要的。
因此，如何解决上述问题成为本领域人员研究的重点。
发明内容
本发明的目的就是提供一种基于人工智能原发性肝癌治疗方案的决策方法，能完全解决上述现有技术不同的医生可能会对同一个病人制定不同的治疗方案的不足之处。
本发明的目的通过下述技术方案来实现：
一种基于人工智能原发性肝癌治疗方案的决策方法，包括步骤：
1）从医院中获取肿瘤患者病例资料；
2）根据医生的经验对数据进行处理，便于人工智能算法进行训练；
3）将处理后的特征，并将同一治疗方案的病例根据8：2的比例分成训练集和测试集；
4）将每一个治疗方案的训练集输入GBDT进行训练，训练器自动总结不同治疗方案的肝癌患者的细微差别特点，生成分类模型；将测试集中的患者病例特征，利用生成的分类模型对其治疗方案分类，并对比其已知的实际治疗方案从而获得分类精度；
5）GBDT分类器的初始参数n_estimators,max_depth和learning_rate是可变的，训练时采用多种不同的参数n_estimators,max_depth和learning_rate进行训练并生成多个分类器然后进行测试，最后选取分类效果最好的参数组合，如果分类器的分类精度达标，确认此模型参数并保存此分类器；
6）如果分类精度不达标，则调整模型的相关参数n_estimators,max_depth和learning_rate或者增加训练照片数据，再进行重复训练和测试，直到分类精度达标为止；
7）对于小肝癌的患者，通过射频消融的治疗方案有医学明确指征，对部分结果进行修正，同时根据原发性肝癌诊疗指南，对同以患者可能采取的多种治疗方案进行补充，得到最终的决策模型。
作为优选，所述步骤2）的数据一共包含45个，分别为：性别、年龄、第几次就趁、肝硬化指标、乙肝指标、甲胎蛋白、癌胚蛋白、身高、体重、BMI、Child评分、是否有乙肝、是否有丙肝、是否有门脉高压、是否饮酒、血红蛋白、血小板、白细胞、中性粒细胞比、淋巴细胞比、NLR,单核细胞比、嗜酸性粒细胞比、嗜碱性粒细胞比、总胆红素、直接胆红素、冬氨酸氨基转移酶、谷氨酸转氨酶、白蛋白、尿素、肌酐、胱抑素、凝血酶原时间、活化部分凝血活酶时间、肿瘤数目、最大肿瘤大小、肿瘤总大小、肿瘤位置、肉眼可见血管侵犯、淋巴转移位置。
作为优选，所述肝硬化指标包括INR和FIB；乙肝指标包括乙肝表面抗原、乙肝表面抗体、乙肝E抗体、乙肝E抗原、乙肝核心抗体。
作为优选，该方法通过客户端软件的形式搭载于电脑或者智能手机上。
作为优选，所述分类模型设有批量式的输入Excel文件。
与现有技术相比，本发明的有益效果在于：
本发明针对不同治疗方案的中原发性肝癌患者，本发明分类精度高，分类精度达到88%；本发明可以以客户端软件的型式搭载于电脑或者智能手机上，可以推广给普通民众大面积使用；本发明搭载于电脑或者智能手机上使用时，为一个病例推荐治疗方案仅需数秒的时间，响应速度非常快；本发明的分类模型可以有批量式的输入excel文件，方便医生大批量实际操作。
附图说明
图1是本发明的流程框图；
图2是本发明的分类器训练流程图。
具体实施方式
下面结合具体实施例和附图对本发明作进一步的说明。
实施例一
如图1至图2 所示，一种基于人工智能原发性肝癌治疗方案的决策方法，包括步骤：
1）从医院中获取肿瘤患者病例资料，包括肝癌患者的病例资料和医生为其制定的治疗方案；
2）根据医生的经验对数据进行处理，其中特征数据共45个，包括：性别、年龄、第几次就趁、肝硬化指标（INR、FIB）、乙肝指标（乙肝表面抗原、乙肝表面抗体、乙肝E抗体、乙肝E抗原、乙肝核心抗体）、甲胎蛋白、癌胚蛋白、身高、体重、BMI、Child评分、是否有乙肝、是否有丙肝、是否有门脉高压、是否饮酒、血红蛋白、血小板、白细胞、中性粒细胞比、淋巴细胞比、NLR,单核细胞比、嗜酸性粒细胞比、嗜碱性粒细胞比、总胆红素、直接胆红素、冬氨酸氨基转移酶、谷氨酸转氨酶、白蛋白、尿素、肌酐、胱抑素、凝血酶原时间、活化部分凝血活酶时间、肿瘤数目、最大肿瘤大小、肿瘤总大小、肿瘤位置、肉眼可见血管侵犯、淋巴转移位置，便于人工智能算法进行训练；
3）将处理后的特征，并将同一治疗方案的病例根据8：2的比例分成训练集和测试集；
4）将每一个治疗方案的训练集输入GBDT进行训练，训练器自动总结不同治疗方案的肝癌患者的细微差别特点，生成分类模型；将测试集中的患者病例特征，利用生成的分类模型对其治疗方案分类，并对比其已知的实际治疗方案从而获得分类精度；
5）GBDT分类器的初始参数n_estimators,max_depth和learning_rate是可变的，训练时采用多种不同的参数n_estimators,max_depth和learning_rate进行训练并生成多个分类器然后进行测试，最后选取分类效果最好的参数组合，如果分类器的分类精度达标，确认此模型参数并保存此分类器；
6）如果分类精度不达标，则调整模型的相关参数n_estimators,max_depth和learning_rate或者增加训练照片数据，再进行重复训练和测试，直到分类精度达标为止；
7）对于小肝癌的患者，通过射频消融的治疗方案有医学明确指征，对部分结果进行修正，同时根据原发性肝癌诊疗指南，对同以患者可能采取的多种治疗方案进行补充，得到最终的决策模型。
本实施例中，针对不同治疗方案中的原发性肝癌患者，通过数据处理肝癌患者病例特征，基于梯度提升树方法自动总结不同肝癌患者生理指标的细微差别特点，进而构建基于不同病例治疗方案的分类模型，再通过医学中的明确诊断指征，对最后的结果进行矫正，本发明分类精度高，分类精度达到88%。
实施例二
如图1至图2 所示，一种基于人工智能原发性肝癌治疗方案的决策方法，包括步骤：
1）从医院中获取肿瘤患者病例资料，包括肝癌患者的病例资料和医生为其制定的治疗方案；
2）根据医生的经验对数据进行处理，其中特征数据共45个，包括：性别、年龄、第几次就趁、肝硬化指标（INR、FIB）、乙肝指标（乙肝表面抗原、乙肝表面抗体、乙肝E抗体、乙肝E抗原、乙肝核心抗体）、甲胎蛋白、癌胚蛋白、身高、体重、BMI、Child评分、是否有乙肝、是否有丙肝、是否有门脉高压、是否饮酒、血红蛋白、血小板、白细胞、中性粒细胞比、淋巴细胞比、NLR,单核细胞比、嗜酸性粒细胞比、嗜碱性粒细胞比、总胆红素、直接胆红素、冬氨酸氨基转移酶、谷氨酸转氨酶、白蛋白、尿素、肌酐、胱抑素、凝血酶原时间、活化部分凝血活酶时间、肿瘤数目、最大肿瘤大小、肿瘤总大小、肿瘤位置、肉眼可见血管侵犯、淋巴转移位置，便于人工智能算法进行训练；
3）将处理后的特征，并将同一治疗方案的病例根据8：2的比例分成训练集和测试集；
4）将每一个治疗方案的训练集输入GBDT进行训练，训练器自动总结不同治疗方案的肝癌患者的细微差别特点，生成分类模型；将测试集中的患者病例特征，利用生成的分类模型对其治疗方案分类，并对比其已知的实际治疗方案从而获得分类精度；
5）GBDT分类器的初始参数n_estimators,max_depth和learning_rate是可变的，训练时采用多种不同的参数n_estimators,max_depth和learning_rate进行训练并生成多个分类器然后进行测试，最后选取分类效果最好的参数组合，如果分类器的分类精度达标，确认此模型参数并保存此分类器；
6）如果分类精度不达标，则调整模型的相关参数n_estimators,max_depth和learning_rate或者增加训练照片数据，再进行重复训练和测试，直到分类精度达标为止；
7）对于小肝癌的患者，通过射频消融的治疗方案有医学明确指征，对部分结果进行修正，同时根据原发性肝癌诊疗指南，对同以患者可能采取的多种治疗方案进行补充，得到最终的决策模型。
该方法通过客户端软件的形式搭载于电脑或者智能手机等终端设备上。
本实施例中，通过将本发明搭载于移动设备上可以推广给普通民众大面积使用，方便肝癌患者在家就能了解自己的治疗方案，同时也减轻了医院和医生的工作压力，节约了时间。
实施例三
如图1至图2 所示，一种基于人工智能原发性肝癌治疗方案的决策方法，包括步骤：
1）从医院中获取肿瘤患者病例资料，包括肝癌患者的病例资料和医生为其制定的治疗方案；
2）根据医生的经验对数据进行处理，其中特征数据共45个，包括：性别、年龄、第几次就趁、肝硬化指标（INR、FIB）、乙肝指标（乙肝表面抗原、乙肝表面抗体、乙肝E抗体、乙肝E抗原、乙肝核心抗体）、甲胎蛋白、癌胚蛋白、身高、体重、BMI、Child评分、是否有乙肝、是否有丙肝、是否有门脉高压、是否饮酒、血红蛋白、血小板、白细胞、中性粒细胞比、淋巴细胞比、NLR,单核细胞比、嗜酸性粒细胞比、嗜碱性粒细胞比、总胆红素、直接胆红素、冬氨酸氨基转移酶、谷氨酸转氨酶、白蛋白、尿素、肌酐、胱抑素、凝血酶原时间、活化部分凝血活酶时间、肿瘤数目、最大肿瘤大小、肿瘤总大小、肿瘤位置、肉眼可见血管侵犯、淋巴转移位置，便于人工智能算法进行训练；
3）将处理后的特征，并将同一治疗方案的病例根据8：2的比例分成训练集和测试集；
4）将每一个治疗方案的训练集输入GBDT进行训练，训练器自动总结不同治疗方案的肝癌患者的细微差别特点，生成分类模型；将测试集中的患者病例特征，利用生成的分类模型对其治疗方案分类，并对比其已知的实际治疗方案从而获得分类精度；
5）GBDT分类器的初始参数n_estimators,max_depth和learning_rate是可变的，训练时采用多种不同的参数n_estimators,max_depth和learning_rate进行训练并生成多个分类器然后进行测试，最后选取分类效果最好的参数组合，如果分类器的分类精度达标，确认此模型参数并保存此分类器；
6）如果分类精度不达标，则调整模型的相关参数n_estimators,max_depth和learning_rate或者增加训练照片数据，再进行重复训练和测试，直到分类精度达标为止；
7）对于小肝癌的患者，通过射频消融的治疗方案有医学明确指征，对部分结果进行修正，同时根据原发性肝癌诊疗指南，对同以患者可能采取的多种治疗方案进行补充，得到最终的决策模型。
分类模型设有批量式的输入Excel文件。
本实施例中，医生能够通过输入Excel文件进行输入患者的特征数据，方便医生大批量的实际操作，节约医生的时间。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于人工智能原发性肝癌治疗方案的决策方法，其特征在于：包括步骤：
1）从医院中获取肿瘤患者病例资料；
2）根据医生的经验对数据进行处理，便于人工智能算法进行训练；
3）将处理后的特征，并将同一治疗方案的病例根据8：2的比例分成训练集和测试集；
4）将每一个治疗方案的训练集输入GBDT进行训练，训练器自动总结不同治疗方案的肝癌患者的细微差别特点，生成分类模型；将测试集中的患者病例特征，利用生成的分类模型对其治疗方案分类，并对比其已知的实际治疗方案从而获得分类精度；
5）GBDT分类器的初始参数n_estimators,max_depth和learning_rate是可变的，训练时采用多种不同的参数n_estimators,max_depth和learning_rate进行训练并生成多个分类器然后进行测试，最后选取分类效果最好的参数组合，如果分类器的分类精度达标，确认此模型参数并保存此分类器；
6）如果分类精度不达标，则调整模型的相关参数n_estimators,max_depth和learning_rate或者增加训练照片数据，再进行重复训练和测试，直到分类精度达标为止；
7）对于小肝癌的患者，通过射频消融的治疗方案有医学明确指征，对部分结果进行修正，同时根据原发性肝癌诊疗指南，对同以患者可能采取的多种治疗方案进行补充，得到最终的决策模型。
2.根据权利要求1所述的一种基于人工智能原发性肝癌治疗方案的决策方法，其特征在于：所述步骤2）的数据一共包含45个，分别为：性别、年龄、第几次就趁、肝硬化指标、乙肝指标、甲胎蛋白、癌胚蛋白、身高、体重、BMI、Child评分、是否有乙肝、是否有丙肝、是否有门脉高压、是否饮酒、血红蛋白、血小板、白细胞、中性粒细胞比、淋巴细胞比、NLR,单核细胞比、嗜酸性粒细胞比、嗜碱性粒细胞比、总胆红素、直接胆红素、冬氨酸氨基转移酶、谷氨酸转氨酶、白蛋白、尿素、肌酐、胱抑素、凝血酶原时间、活化部分凝血活酶时间、肿瘤数目、最大肿瘤大小、肿瘤总大小、肿瘤位置、肉眼可见血管侵犯、淋巴转移位置。
3.根据权利要求2所述的一种基于人工智能原发性肝癌治疗方案的决策方法，其特征在于：所述肝硬化指标包括INR和FIB；乙肝指标包括乙肝表面抗原、乙肝表面抗体、乙肝E抗体、乙肝E抗原、乙肝核心抗体。
4.根据权利要求1所述的一种基于人工智能原发性肝癌治疗方案的决策方法，其特征在于：该方法通过客户端软件的形式搭载于电脑或者智能手机上。
5.根据权利要求1所述的一种基于人工智能原发性肝癌治疗方案的决策方法，其特征在于：所述分类模型设有批量式的输入Excel文件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910523815.0A CN110211687A (zh) | 2019-06-17 | 2019-06-17 | 一种基于人工智能原发性肝癌治疗方案的决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910523815.0A CN110211687A (zh) | 2019-06-17 | 2019-06-17 | 一种基于人工智能原发性肝癌治疗方案的决策方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110211687A true CN110211687A (zh) | 2019-09-06 |
Family
ID=67793102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910523815.0A Withdrawn CN110211687A (zh) | 2019-06-17 | 2019-06-17 | 一种基于人工智能原发性肝癌治疗方案的决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110211687A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554402A (zh) * | 2020-04-24 | 2020-08-18 | 山东省立医院 | 基于机器学习的原发性肝癌术后复发风险预测方法及系统 |
| CN111949525A (zh) * | 2020-08-04 | 2020-11-17 | 上海金仕达软件科技有限公司 | 基于ai的健壮性智能测试系统及其测试方法 |
| CN115579104A (zh) * | 2022-09-08 | 2023-01-06 | 广东技术师范大学 | 一种基于人工智能的肝癌全病程数字化管理方法及系统 |
-
2019
- 2019-06-17 CN CN201910523815.0A patent/CN110211687A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554402A (zh) * | 2020-04-24 | 2020-08-18 | 山东省立医院 | 基于机器学习的原发性肝癌术后复发风险预测方法及系统 |
| CN111949525A (zh) * | 2020-08-04 | 2020-11-17 | 上海金仕达软件科技有限公司 | 基于ai的健壮性智能测试系统及其测试方法 |
| CN115579104A (zh) * | 2022-09-08 | 2023-01-06 | 广东技术师范大学 | 一种基于人工智能的肝癌全病程数字化管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kalmet et al. | Deep learning in fracture detection: a narrative review | |
| CN110211687A (zh) | 一种基于人工智能原发性肝癌治疗方案的决策方法 | |
| Abdoh et al. | Cervical cancer diagnosis using random forest classifier with SMOTE and feature reduction techniques | |
| Al-Bander et al. | Dense fully convolutional segmentation of the optic disc and cup in colour fundus for glaucoma diagnosis | |
| Cervantes-Sanchez et al. | Automatic segmentation of coronary arteries in X-ray angiograms using multiscale analysis and artificial neural networks | |
| Harris | Wonderwoman and Superman: the ethics of human biotechnology | |
| Habel et al. | Specificity of resistance to tumor challenge of polyoma and SV 40 virus-immune hamsters. | |
| Zahoor et al. | A new deep hybrid boosted and ensemble learning-based brain tumor analysis using MRI | |
| Chi et al. | Endothelial cell diversity revealed by global expression profiling | |
| CN110660481A (zh) | 一种基于人工智能技术的原发性肝癌复发预测方法 | |
| Cui et al. | Sliding selector network with dynamic memory for extractive summarization of long documents | |
| Tiwari et al. | Performance analysis and error evaluation towards the liver cancer diagnosis using lazy classifiers for ILPD | |
| Ghani et al. | Accelerating retinal fundus image classification using artificial neural networks (ANNs) and reconfigurable hardware (FPGA) | |
| CN108804718A (zh) | 数据推送方法、装置、电子设备及计算机可读存储介质 | |
| Dorris | Differentiation of pigment cells in tissue cultures of chick neural crest | |
| Reddy et al. | An efficient multilevel thresholding scheme for heart image segmentation using a hybrid generalized adversarial network | |
| Cè et al. | Artificial intelligence in brain tumor imaging: a step toward personalized medicine | |
| Zhang et al. | RCMNet: A deep learning model assists CAR-T therapy for leukemia | |
| CN108171243A (zh) | 一种基于深度神经网络的医疗图像信息识别方法及系统 | |
| Pandey et al. | Object detection in indian food platters using transfer learning with yolov4 | |
| WO2019079490A1 (en) | PROBABILISTIC MODELING TO MATCH PATIENTS WITH CLINICAL TRIALS | |
| Wang et al. | BR-GAN: bilateral residual generating adversarial network for mammogram classification | |
| Jia et al. | Breast cancer identification using machine learning | |
| Alqudah et al. | Sliding window based deep ensemble system for breast cancer classification | |
| Das | Brain tumor segmentation from MRI images using deep learning framework |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190906 |
|
| WW01 | Invention patent application withdrawn after publication |